xapian-applications/omega/mhtml2html.in

   1 #!@PERL@
   2 # @configure_input@
   3 # @file
   4 # @brief Extract HTML from an MHTML file
   5 #
   6 # Copyright (C) 2010,2015 Olly Betts
   7 #
   8 # Permission is hereby granted, free of charge, to any person obtaining a copy
   9 # of this software and associated documentation files (the "Software"), to
  10 # deal in the Software without restriction, including without limitation the
  11 # rights to use, copy, modify, merge, publish, distribute, sublicense, and/or
  12 # sell copies of the Software, and to permit persons to whom the Software is
  13 # furnished to do so, subject to the following conditions:
  14 #
  15 # The above copyright notice and this permission notice shall be included in
  16 # all copies or substantial portions of the Software.
  17 #
  18 # THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
  19 # IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
  20 # FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
  21 # AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
  22 # LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
  23 # FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS
  24 # IN THE SOFTWARE.
  25
  26 use strict;
  27 eval {
  28     require MIME::Parser;
  29 };
  30 if ($@) {
  31     print STDERR $@;
  32     # Exit with code 127 which omindex interprets as "filter not installed"
  33     # and won't try further .msg files.
  34     exit 127;
  35 }
  36
  37 my $in = shift @ARGV;
  38 my $parser = new MIME::Parser;
  39 # Keep data in memory rather than spraying files onto disk.
  40 $parser->output_to_core(1);
  41 $parser->tmp_to_core(1);
  42 open IN, '<', $in or die "Couldn't open '$in' ($?)\n";
  43 my $mhtml = $parser->parse(\*IN) or die "Failed to parse '$in' as MHTML\n";
  44
  45 for my $sub ($mhtml->parts) {
  46     my $head = $sub->head;
  47     if ($head->mime_type eq 'text/html') {
  48         # FIXME: Ideally we use the charset specified, though in practice it's
  49         # likely to just be whatever the page specifies.
  50         # my $charset = $head->mime_attr('content-type.charset');
  51         print $sub->bodyhandle()->as_string;
  52     }
  53 }